Learning Partially Aligned Item Representation for Cross-Domain Sequential Recommendation

要約

クロスドメイン・シーケンシャル・レコメンデーション(CDSR)は、複数のレコメンデーション・ドメインにまたがるユーザのシーケンシャルな嗜好を発見し、転送することを目的としている。重要な試みがなされてきたが、それらは主に高度な転送モジュールの開発と、自己教師付き学習技術を用いたユーザ表現の整列に集中していた。しかし、項目表現のアライメントの問題は、限られた関心しか持たれておらず、誤った項目表現は、最適でない逐次モデリングとユーザ表現のアライメントにつながる可能性がある。この目的のために、我々はモデル非依存的なフレームワークを提案する。具体的には、まず、順序を考慮した特徴増強戦略を開発し、協調的な項目相関と逐次的な項目相関の両方を捉えることで、全体的な項目表現生成を容易にする。次に、部分表現アライメント問題をスペクトルの観点から調査するための実証研究を行う。これにより、部分的な整列を適応的に達成する適応的スペクトラムフィルタを考案する動機付けとなる。さらに、整列された項目表現は、ユーザ表現を得るために、異なる逐次エンコーダに供給することができる。フレームワーク全体は、アニーリング戦略を用いたマルチタスク学習パラダイムで最適化される。広範な実験により、CA-CDSRが最先端のベースラインを大幅に上回ることが実証され、また、性能を向上させるために表現空間内の項目を効果的に整列させることができる。

要約(オリジナル)

Cross-domain sequential recommendation (CDSR) aims to uncover and transfer users’ sequential preferences across multiple recommendation domains. While significant endeavors have been made, they primarily concentrated on developing advanced transfer modules and aligning user representations using self-supervised learning techniques. However, the problem of aligning item representations has received limited attention, and misaligned item representations can potentially lead to sub-optimal sequential modeling and user representation alignment. To this end, we propose a model-agnostic framework called \textbf{C}ross-domain item representation \textbf{A}lignment for \textbf{C}ross-\textbf{D}omain \textbf{S}equential \textbf{R}ecommendation (\textbf{CA-CDSR}), which achieves sequence-aware generation and adaptively partial alignment for item representations. Specifically, we first develop a sequence-aware feature augmentation strategy, which captures both collaborative and sequential item correlations, thus facilitating holistic item representation generation. Next, we conduct an empirical study to investigate the partial representation alignment problem from a spectrum perspective. It motivates us to devise an adaptive spectrum filter, achieving partial alignment adaptively. Furthermore, the aligned item representations can be fed into different sequential encoders to obtain user representations. The entire framework is optimized in a multi-task learning paradigm with an annealing strategy. Extensive experiments have demonstrated that CA-CDSR can surpass state-of-the-art baselines by a significant margin and can effectively align items in representation spaces to enhance performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL